使用 Python 将大型 PDF 文件分割成多个小文件
理解任务
将一个 170M 的 PDF 文件分割成多个 10M 左右的小文件。这在处理大型 PDF 文件时非常有用，例如：
- 减少单个文件的大小，方便传输或存储
- 分别处理不同的文件部分
- 提高 PDF 处理的效率
选择合适的 Python 库
Python 提供了多个用于处理 PDF 文件的库，其中 PyPDF2 是一个常用的选择。它可以读取、合并、分割 PDF 文件，并提供了一些其他的功能。
代码实现
python
import PyPDF2
def split_pdf(input_pdf, output_prefix, max_size=10*1024*1024):
"""
将一个 PDF 文件分割成多个小文件
Args:
input_pdf: 输入 PDF 文件路径
output_prefix: 输出文件的前缀
max_size: 每个输出文件的最大字节数
"""
with open(input_pdf, 'rb') as input_file:
reader = PyPDF2.PdfReader(input_file)
num_pages = len(reader.pages)
output_pdf = None
output_writer = None
current_size = 0
part_num = 1
for page_num in range(num_pages):
page = reader.pages[page_num]
if output_pdf is None:
output_pdf = PyPDF2.PdfWriter()
output_filename = f"{output_prefix}_{part_num}.pdf"
output_pdf.add_page(page)
# 获取当前输出 PDF 文件的字节大小
output_pdf.add_page(page) # 添加页面后，再次获取大小，以确保准确
with io.BytesIO() as buffer:
output_pdf.write(buffer)
current_size = len(buffer.getvalue())
if current_size >= max_size:
with open(output_filename, 'wb') as output_file:
output_pdf.write(output_file)
# 创建新的输出 PDF 和写入器
output_pdf = PyPDF2.PdfWriter()
output_filename = f"{output_prefix}_{part_num + 1}.pdf"
part_num += 1
current_size = 0
# 处理最后一个部分
if output_pdf:
with open(output_filename, 'wb') as output_file:
output_pdf.write(output_file)
# 示例用法
input_file = "large_pdf.pdf"
output_prefix = "split_part"
split_pdf(input_file, output_prefix)代码解释
- 导入 PyPDF2 库： 用于处理 PDF 文件。
- 定义函数：
split_pdf函数接受输入 PDF 文件路径、输出文件前缀和每个输出文件的最大字节数作为参数。 - 读取 PDF 文件： 使用
PyPDF2.PdfReader读取输入 PDF 文件，获取总页数。 - 创建输出 PDF 和写入器： 初始化输出 PDF 和写入器，用于写入分割后的 PDF 文件。
- 逐页处理： 遍历每一页，将页面添加到当前输出 PDF 中。
- 检查文件大小： 每次添加页面后，检查当前输出 PDF 的大小是否超过最大字节数。如果超过，则将当前输出 PDF 保存到磁盘，并创建一个新的输出 PDF。
- 处理最后一个部分： 处理完所有页面后，将最后一个输出 PDF 保存到磁盘。
注意
- 文件大小估计： 由于 PDF 文件的压缩方式不同，实际每个页面的字节大小可能会有波动，因此分割后的文件大小可能与设定的
max_size略有差异。 - 性能优化： 对于非常大的 PDF 文件，可以考虑使用多线程或多进程来提高分割速度。
- 其他库： 除了
PyPDF2，还有其他一些 Python 库可以用于处理 PDF 文件，例如pdfminer.six。
进一步优化
- 自定义分割规则： 可以根据需要自定义分割规则，例如按页数分割、按书签分割等。
- 错误处理： 添加异常处理，以应对文件损坏或其他异常情况。
- 进度条： 显示分割进度，方便用户了解处理过程。